检索结果-南通市图书馆

Deep learning-based multi-modal data integration enhancing breast cancer disease-free survival prediction

Precision Clinical Medicine 2024年第2期7卷 132-145页

作者： Zehua Wang ruichong lin Yanchun Li Jin Zeng Yongjian Chen Wenhao Ouyang Han Li Xueyan Jia Zijia Lai Yunfang Yu Herui Yao Weifeng Su Guangdong Key Laboratory of Cross-Application of Data Science and Technology Beijing Normal University-Hong Kong Baptist University United International CollegeZhuhai 519087China Faculty of Innovation Engineering Macao University of Science and TechnologyTaipaMacao 999078China Department of Computer and Information Engineering Guangzhou Huali CollegeGuangzhou 511325China Department of Pathology Sun Yat-sen Memorial HospitalSun Yat-sen UniversityGuangzhou 510120China Guangzhou National Laboratory Guangzhou 510005China Dermatology and Venereology Division Department of Medicine SolnaCenter for Molecular MedicineKarolinska InstitutetStockholm 17177Sweden Guangdong Provincial Key Laboratory of Malignant Tumor Epigenetics and Gene Regulation Department of Medical OncologyBreast Tumor CentrePhase I Clinical Trial CentreSun Yat-sen Memorial HospitalSun Yat-sen UniversityGuangzhou 510120China The Second Clinical Medical College Southern Medical UniversityGuangzhou 510515China Faculty of Medicine Macao University of Science and TechnologyTaipaMacao 999078China

Background:The prognosis of breast cancer is often unfavorable,emphasizing the need for early metastasis risk detection and accurate treatment *** study aimed to develop a novel multi-modal deep learning model using preoperative data to predict disease-free survival(DFS).Methods:We retrospectively collected pathology imaging,molecular and clinical data from The Cancer Genome Atlas and one independent institution in *** developed a novel Deep Learning Clinical Medicine Based Pathological Gene Multi-modal(DeepClinMed-PGM)model for DFS prediction,integrating clinicopathological data with molecular *** patients included the training cohort(n=741),internal validation cohort(n=184),and external testing cohort(n=95).Result:Integrating multi-modal data into the DeepClinMed-PGM model significantly improved area under the receiver operating characteristic curve(AUC)*** the training cohort,AUC values for 1-,3-,and 5-year DFS predictions increased to 0.979,0.957,and 0.871,while in the external testing cohort,the values reached 0.851,0.878,and 0.938 for 1-,2-,and 3-year DFS predictions,*** DeepClinMed-PGM's robust discriminative capabilities were consistently evident across various cohorts,including the training cohort[hazard ratio(HR)0.027,95%confidence interval(CI)0.0016-0.046,PlinMed-PGM model demonstrated C-index values of 0.925,0.823,and 0.864 within the three cohorts,***:This study introduces an approach to breast cancer prognosis,integrating imaging and molecular and clinical data for enhanced predictive accuracy,offering promise for personalized treatment strategies.

关键词： breast cancer multi-modality deep learning pathological disease-free survival

来源：

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

电感耦合等离子体质谱在测定土壤中稀土元素中的应用

引用

电子质量 2024年第8期 13-17页

作者：张键杨瑞翀李婷婷林鑫植意婉工业和信息化部电子第五研究所广东广州511370

采用6 mL硝酸和1 mL氢氟酸进行微波消解,高氯酸赶酸对土壤进行前处理后,利用电感耦合等离子体质谱仪测定土壤中16种稀土元素的含量,采用103Rh作为内标消除干扰。实验结果显示方法检出限为0.0018~0.0365μg/L,使用国家标准物质验证方法... 详细信息

采用6 mL硝酸和1 mL氢氟酸进行微波消解,高氯酸赶酸对土壤进行前处理后,利用电感耦合等离子体质谱仪测定土壤中16种稀土元素的含量,采用103Rh作为内标消除干扰。实验结果显示方法检出限为0.0018~0.0365μg/L,使用国家标准物质验证方法的准确性及可行性,测得相对标准偏差为1.9%~8.8%,相对误差在70.1%~107.9%。对测试过程和数据进行分析,结果表明用微波消解法-电感耦合等离子体质谱仪测定土壤中的稀土元素,操作方法简便,成本相对较低,能满足实验分析要求。

关键词：微波消解稀土元素电感耦合等离子体质谱土壤标准物质

来源：

维普期刊数据库博看期刊

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：